Capítulo 1.

Reconocimiento de Voz y
Educación

El estado del arte en sistemas con Reconocimiento de Voz ha

progresado impresionantemente. Una interfaz bien diseñada puede
tomar las ventajas que ofrece un reconocedor y compensar sus áreas
débiles, también puede implementar los principios básicos para el
aprendizaje de un segundo idioma, con lo cual se tienen todos los
componentes necesarios de un instructor del lenguaje [Eskenazi, 99].

1.1 La Tecnología del Habla

La Tecnología del Habla se estructura en cuatro tecnologías básicas

principales:

El Reconocimiento de Voz o Reconocimiento del Habla. Es el proceso

de conversión de un mensaje hablado en texto, que permite al usuario
una comunicación con la computadora.

La Síntesis de Voz o Conversión Texto a Voz. Se ocupa de la generación

de mensajes hablados mediante la simulación del proceso de lectura
de un texto escrito almacenado en formato electrónico.

El Reconocimiento de Locutores. Es el proceso de identificación o

verificación de la identidad del hablante de forma automática a partir
de la señal de voz.

La Codificación de Voz. Su objetivo es la búsqueda de

representaciones eficientes en formato digital de la señal de voz para
su almacenamiento y/o transmisión, persiguiendo obtener la mayor
calidad posible, para el menor número de bits por muestra.

Podríamos, por tanto, situar a la Tecnología del Habla como receptora

de un amplio conjunto de conocimientos y procedimientos de
actuación sobre la información representada en la señal de voz.
Conocimientos que se articulan con un alto grado de dificultad y
especialización, ya que pertenecen a un marco científico-técnico
multidisciplinario, donde se dan cita diferentes ramas del saber como
son: fisiología, acústica, lingüística, procesado digital de señales,
inteligencia artificial, teoría de la comunicación y de la información, y
ciencias de la computación.

1.1.1 Reconocimiento automático de voz

El Reconocimiento Automático de Voz, como se mencionó
anteriormente, es el proceso de convertir palabras habladas,
capturadas por un micrófono o teléfono, en un conjunto de palabras
escritas.

Las principales características que diferencian a los sistemas basados

en Reconocimiento de Voz frente a otras alternativas son: la
naturalidad que supone utilizar el habla en las operaciones de
comando y control, y la precisión y robustez en la comunicación para
diferentes usuarios y diferentes entornos. El estado actual de la
investigación en Reconocimiento del Voz nos muestra excelentes
resultados de sistemas trabajando en entornos controlados de
laboratorio. Sin embargo, una aplicación real de esta tecnología exige
un funcionamiento en el mundo real donde el grado de dificultad de
los problemas es un orden de magnitud mayor.

Los sistemas de Reconocimiento de Voz se caracterizan por muchos

parámetros, algunos de ellos se muestran en la siguiente tabla:

Tabla 1.1 Parámetros que caracterizan a un Sistema de reconocimiento de voz

Parámetros Rango

Modo de hablar Palabras aisladas o habla continua

Estilo del habla Voz de lectura o voz espontánea

Aislamiento Dependiente del locutor o Independiente del

locutor

Vocabulario Pequeño (<20 palabras) o grande (>20,000

palabras)

Modelo del lenguaje Estados finitos o dependiente del contexto

Perplejidad Pequeña (<10) o larga (>100)

Reducción del ruido en el Alta (>30 dB) o baja (<10 dB)

habla

El reconocimiento de la voz es un problema difícil, debido a muchas

fuentes de variabilidad asociadas con la señal acústica, cambios en el
ambiente, cambios en el estado físico o emocional del locutor, o el
tamaño del tracto bocal.

1.1.2 La Evolución de los Sistemas de Reconocimiento Automático de

Voz

Las primeras investigaciones en el desarrollo de éstos sistemas fueron

realizadas en la década de los 50's. Los estudios trataron de explotar
las ideas fundamentales de la fonética acústica.

Durante la década de los 60's los estudios se enfocaron,

principalmente, a los problemas de segmentación, clasificación y
reconocimiento de patrones.

En los 70's se mejoró la tecnología de reconocimiento para palabras

aisladas y continuas. Se hicieron reconocedores que aceptaban un
vocabulario más extenso. También se desarrollaron técnicas como:
time warping, modelado probabilístico y el algoritmo de
retropropagación [Rabiner & Juang, 93; Rumelhart & McClelland, 86].

En la década de los 80's hubo un cambio en la tecnología, del enfoque

basado en reconocimiento de patrones a métodos de modelado
probabilístico, como el método de cadenas ocultas de Markov (HMM)
[Rabiner & Juang, 93]. Las redes neuronales se reintrodujeron para
resolver problemas de reconocimiento de voz [Waibel & Lee, 90].

En la actualidad, existen diversos factores que contribuyen al

mejoramiento y el progreso de los sistemas de Reconocimiento de
Voz, como los HMM y las redes neuronales. Se han realizado grandes
esfuerzos para desarrollar una base de datos de voz con un
vocabulario grande, el cual pueda ser usado en el entrenamiento,
desarrollo y prueba de los estos sistemas. Por otra parte, el
establecimiento de estándares para la evaluación del desempeño en el
reconocimiento permite hacer comparaciones entre distintos
sistemas. Gracias a los avances en la tecnología computacional, los
sistemas pueden ser probados en tiempo real sin la necesidad de
hardware adicional [Cole et al., 99].

La evolución de éstos tiene como algunos representantes a los

siguientes sistemas [Hernández et al., 94 ]:

ATR HMM-LR. Sistema japonés desarrollado en ATR. Está basado en

procedimientos específicos de modelado de sonidos que no utilizan
estructuras intermedias de modelos de fonema o palabra.

AT&T y BELL NORTHERN RESEARCH. Ambos Sistemas incorporan

procedimientos específicos para aplicaciones de automatización de
servicios telefónicos.

BYBLOS. Desarrollado por BBN. Byblos es el nombre de una ciudad

fenicia donde se descubrió la primera muestra de escritura fonética.
Este detalle marca el énfasis que se pone actualmente en desarrollar
Sistemas sobre una base fonética. Aunque se trata de un sistema
dependiente del locutor, este sistema ha aportado un nuevo y
eficiente procedimiento de reconocimiento rápido (búsqueda rápida)
basado en algoritmos N-best.

CSELT. Desarrollado en el centro italiano del mismo nombre. Su

principal innovación es un sistema de búsqueda rápida basada en un
primer descifrado fonético simple y rápido, seguido por una búsqueda
más detallada.

DECIPHER. Desarrollado en SRI International. Su principal novedad fue

la representación detallada de aspectos fonéticos importantes, tales
como la coarticulación entre palabras.

LINCOLN. Desarrollado en el laboratorio del mismo nombre. Su

principal aportación es el modelado de voz rápida, con emoción,
tensión, etc.

PHILIPS. Desarrollado por la empresa del mismo nombre. Es un

sistema pionero en procesos de reconocimiento rápidos para habla
continua y vocabularios de hasta 10,000 palabras.

SPHINX-II. Desarrollado en la Universidad de Carnegie-Mellon. Es un

sistema pionero en reconocimiento independiente de locutor para
grandes vocabularios.

TANGORA. Desarrollado en IBM. Se trata de un sistema dependiente

del locutor para grandes vocabularios. Su principal interés es un
proceso de adaptación a un nuevo locutor que requiere 20 minutos
para leer 100 frases de 1200 palabras, 700 de las cuales son distintas.

En los últimos diez años se ha producido un notable avance que hace

posible disponer de una tecnología básica capaz de soportar
aplicaciones y servicios comerciales. En Reconocimiento de Voz, se
han conseguido reconocedores que, aunque limitados en cuanto al
tamaño del vocabulario, poseen una calidad suficiente para soportar
un gran número de aplicaciones. Como productos comerciales, están
disponibles reconocedores de dígitos aislados y concatenados, y
reconocedores de palabras aisladas que manejan vocabularios de
miles de palabras y, lo que es más importante, es posible definir el
vocabulario del reconocedor sin necesidad de realizar un largo y
costoso proceso de entrenamiento (reconocedor de vocabulario libre).
En fase precompetitiva (prototipos de laboratorio) existen
reconocedores de habla continua capaces de manejar vocabularios de
algunos miles de palabras.

El desarrollo de un componente de diálogo y los aspectos de un

modelo de interacción en sistemas interactivos de voz se encuentran
soportados actualmente en términos de herramientas y técnicas
avanzadas como lo son [Ole et al., 98]:

Wizard of Oz. Es un método experimental prototipo en el cual un

humano (el mago) simula una parte o todo el modelo interactivo del
sistema a ser desarrollado y puede ponerse en interacción con los
usuarios los cuales creerán que están interactuando con un sistema
real.

Manejo del Corpus. Existen muchas herramientas de éste tipo, el Text

Encoding Initiative (TEI) es la herramienta más amplia que existe para
la representación de texto incluyendo transcripción del habla.

Modelo de implementación del dialogo. Existen muchas herramientas

de éste tipo, DDLTool es un editor gráfico que soporta la
representación de un software de manejo del diálogo en el Lenguaje
Descriptor de Diálogo. CSLUrp es un ambiente de gráfico de desarrollo
de prototipos que es muy similar al DDLTool en muchos aspectos.

Experimentación y desarrollo. Existen muchas técnicas y herramientas

para desarrollar y experimentar, como DDLTool, parte de CSLUrp,
Gnu's C++.

Evaluación. En la colaboración DARPA ATIS una herramienta de

software fue desarrollada para comparar automáticamente un
conjunto de respuestas con aquellas producidas por varios sistemas.

Toolkits. El Oregon Graduate Institute (OGI) hizo recientemente un

toolkit (caja de herramientas), disponible en el web, llamado CSLU
Toolkit.

Existen sistemas comerciales desarrollados por compañías como

AT&T, SpeechWorks, Dragon Systems y otras, los cuales han tenido
gran aceptación pues desarrollan aplicaciones para el mundo real
como bancos, finanzas, seguros, agencias de viajes, tiempos
compartidos, entre otros [Blyth & Piper, 94].

1.1.3 Arquitectura de un sistema de un reconocedor automático de voz

Los principales componentes de un sistema de reconocimiento de voz

se muestran en la siguiente figura.

Figura 1.1 Componentes de un sistema típico de reconocimiento de voz.

La señal de voz digitalizada se transforma en un conjunto de medidas

útiles o características de manera fija, típicamente una cada 10-20 ms.
Estas características son usadas para buscar la palabra con mayor
probabilidad, haciendo uso de restricciones impuestas por modelos
acústicos, léxicos y del lenguaje.

1.1.4 El proceso de reconocimiento automático de voz

El proceso de reconocimiento automático de voz consiste en:

 1. Obtener y digitalizar la señal de voz

2. Extraer un conjunto de características esenciales de la señal

3. Introducir las características a un clasificador

4. Realizar un algoritmo de búsqueda para encontrar la secuencia

permitida más probable utilizando la salida obtenida y una red
de pronunciaciones.

5. Encontrar la(s) palabra(s) que se desea reconocer.

En la etapa de extracción de características la señal de voz se divide en

una colección de segmentos. Luego, se obtiene una representación de
las características acústicas más significativas para cada segmento,
esto se hace aplicando alguna técnica de procesamiento de señales.
Con dichas características se construye un conjunto de vectores que
constituyen la entrada al clasificador.

El clasificador aplica un modelo probabilístico y vincula a cada uno de

los vectores de características con alguna unidad lingüística (palabra,
fonema u otra unidad específica). Posteriormente se realiza la
búsqueda para encontrar la secuencia de segmentos con mayor
probabilidad de ser reconocidos como una de estas unidades. Las dos
técnicas más usadas en el proceso de clasificación son: redes
neuronales y cadenas ocultas de Markov [Cole et al., 99].

Para desarrollar un sistema aplicable a situaciones reales, es necesario

agregar un módulo de procesamiento del lenguaje natural que se
encargue de las restricciones sintácticas, semánticas y prosódicas de la
tarea.

1.1.5 Meta de un sistema de reconocimiento automático de voz

La meta principal en el desarrollo de sistemas de Reconocimiento

Automático de Voz es la creación de sistemas capaces de reconocer
voz de manera continua, espontánea y sin restricciones. Este objetivo
aún no se ha logrado debido a las dificultades que surgen por la
variabilidad en las características en la señal acústica, como se
mencionó anteriormente, la cual degrada el desempeño de los
sistemas de reconocimiento. Algunos de los parámetros que
restringen a éstos sistemas se mostraron en la tabla 1.1.

Como cualquier tecnología innovadora, es importante que ésta se

destine a aplicaciones útiles, de manera que las personas que hagan
uso de dichas aplicaciones obtengan un claro beneficio al hacerlo.
Deben, por lo tanto, cuidarse al máximo los detalles que hagan
cómodo y agradable el diálogo con los usuarios, dado que de este
diálogo depende en gran medida la aceptación (o el rechazo) de una
determinada aplicación y, por extensión, de toda la tecnología que
involucra.
1.2 La Tecnología Educativa

Las aplicaciones de las computadoras a la educación pueden dividirse

en las siguientes clasificaciones generales [Alvarez, 99]:

Educación Asistida por Computadora: (Computer-assisted instruction

(CAI)) - Utilizan la computadora para presentar lecciones completas a
los alumnos. En el mercado existen muchos ejemplos de programas o
CD para enseñar algún tema en particular, en el que todo el material
necesario está contenido en el programa.

Educación Administrada por Computadora (Computer-managed

instruction (CMI)) - Utilizan las computadoras para organizar las
tareas y los materiales y para mantener registro de los avances de los
estudiantes. Los materiales de estudios no son enviados
necesariamente por la computadora.

Educación con Multimedia a través de Computadora.

(Computer-Based Multimedia (CBM)) - Es un importante medio, aún
en desarrollo, de sofisticadas y flexibles herramientas de
computadoras que tienen como objetivo integrar voz, sonido, vídeo,
animaciones, interacción y otras tecnologías computacionales en
sistemas integrados y fácilmente utilizables y distribuíbles.

Educación mediada por Computadoras. (Computer-mediated

education (CME)) - Se refiere a las aplicaciones de las computadoras
que permiten el envío de materiales de aprendizaje. Incluye el correo
electrónico, grupos de noticias, foros de discusión, Internet, WWW,
páginas web. Es el medio con el más grande e importante crecimiento
de los últimos tiempos y en este medio están basadas muchas de las
potencialidades futuras de la Educación a Distancia.

1.2.1 Ambientes de Aprendizaje

El aprendizaje continuo, según la definición de la ELLI, European

Lifelong Learning Initiative, es "un proceso continuo sustentativo, que
estimula y da fuerza a los individuos para adquirir todo el
conocimiento, valores, habilidades y comprensión que requieran
durante su vida para que los apliquen con confianza, creatividad y
gusto en todos los roles, circunstancias y medio ambiente en que se
desarrollen" [Ayala, 99].

Un ambiente de aprendizaje es un espacio en el cual existe un

problema de aprendizaje y se intenta solucionarlo de manera
colaborativa y sistemática a través de interactuar con los elementos
del ambiente de aprendizaje, definir el movimiento en los 3 ejes del
ambiente de aprendizaje (Clarificación del problema, Mapa Personal y
Aplicación) y cumplir con las distintas etapas del ambiente de
aprendizaje para la solución del problema [Porras, 99].
El proceso de aprendizaje es individualizado, cada persona tiene
diferentes habilidades y capacidades. En un ambiente de aprendizaje
el estudiante cuenta con libertad de actuar y de mediar los elementos
con los cuales interactuará. De esta forma el aprendizaje se adecua a
cada persona.

1.2.1.1 Modalidades en el aprendizaje

Las modalidades concretas de los ambientes de aprendizaje, se

clasifican en [Rivera, 99]:

Tutorial. En ésta modalidad se representa un material en la pantalla

de la computadora y se van haciendo preguntas sobre dicho material.
Se pueden hacer evaluaciones al estudiante y se le da
retroalimentación.

Ejercitación y práctica. Sirve como una labor para reforzar el

aprendizaje, trata de que los usuarios adquieran una habilidad sobre
algo realizando ejercicios únicamente, es decir no se propone una
teoría o explicación sobre el contenido de lo que se esta haciendo.

Juegos. La finalidad de ésta modalidad es que el estudiante aprenda,

practique o desarrolle alguna habilidad divirtiéndose.

Simulaciones. Emplea la computadora para representar una escena

cambiante en el tiempo. Permite adquirir alguna habilidad o aprender
reglas para manipular un fenómeno, mecanismos o dispositivos
dinámicos y complejos.

Herramientas. Son paquetes o aplicaciones que sirven para auxiliar a

las tareas educativas, su finalidad no es enseñar algo sino realizar una
tarea o acción específica

1.2.1.2 Componentes en el diseño de Ambientes de Aprendizaje

Formulación de propósitos y objetivos

Se debe establecer las metas y objetivos a cumplir en el ambiente de

aprendizaje. Cuál es la modalidad específica en que se ubicará y en
cuanto tiempo se desarrollará.

Perfil del usuario

A que personas esta destinado, el promedio de edades, necesidades y

motivaciones principales.

Selección del contenido

Que material se utilizará. El uso del contenido permite la división de

las tareas, en el conjunto de ideas en que se descompone y como se
encadenan estas para realizar el objetivo de una lección.
Selección de estrategias de aprendizaje

Las estrategias pueden agruparse en tres sistemas educativos:

tradicionales caracterizados por una correspondencia en los

componentes tecnológicos con los empleados hace una generación.

tradicionales reformados en los cuales se han introducido mejoras o

adiciones a los recursos tecnológicos.

innovadores desarrollados por la tecnología educativa y

caracterizados por adoptar una organización diferente en el aula con
respecto al estudiante o con la organización escolar.

Diseño de Interfaz

Diseñar el modo en el que aparecerá el material de aprendizaje en la

pantalla, tanto en el aspecto espacial, es decir, al colocación de textos
y gráficos, como en el aspecto temporal, es decir, el tiempo de
aparición del material en pantalla.

Selección y uso de medios de aprendizaje

La selección de medios, dependerá sobre todo del material con que se

cuenta para cumplir el objetivo: hardware y software para lograrlos.

1.2.2 Enseñanza del lenguaje asistida por computadora

La educación asistida por computadora (CAI) ha sido una herramienta

con la que los estudiantes se apoyan en el proceso del aprendizaje. En
los últimos 40 años, ha habido un incremento exponencial en el uso
de las computadoras en apoyo a la educación. Por medio de las
computadoras el estudiante puede tener una forma de aprendizaje
más sofisticada.

La inteligencia artificial simbólica ha propuesto interesantes

esquemas en ICAI, pero el uso de redes neuronales ha sido propuesto
muy pocas veces. En general el conocimiento para CAI es representado
explícitamente con redes neuronales las cuales rara vez han sido
utilizadas en ésta área [Ayala,99].

Con los avances recientes en tecnología multimedia, el aprendizaje de

idiomas asistido por computadoras (CALL) ha emergido como
alternativa al tentar a los modos tradicionales de suplir o de substituir
la interacción directa del estudiante-profesor, tal como el laboratorio
de idiomas o el self-study. La integración del sonido, la interacción de
la voz, los textos, el vídeo, y la animación han permitido crear
ambientes interactivos a ritmos individuales de aprendizaje, los cuales
prometen realzar el modelo del aula de clase. Un número creciente de
los editores de libros de textos ahora ofrecen software educativo de
una cierta clase, y los educadores pueden elegir entre una variedad de
diversos productos. Todavía, el impacto práctico del CALL en el campo
de la educación de un segundo idioma ha sido algo modesto. Muchos
educadores son renuentes a abrazar una tecnología que todavía
busque la aceptación de la comunidad de la enseñanza de idiomas en
su totalidad [Kenning & Kenning, 90].

1.2.3 Análisis de sistemas para la enseñanza de un segundo idioma.

Diferentes grupos han desarrollado aplicaciones interesantes y útiles

para el apoyo del aprendizaje de un segundo idioma.

El CSLU del OGI y el CSLU de la Universidad de Colorado han estado

colaborando con educadores de Tucker Maxon Oral School en un
esfuerzo conjunto enfocado a el entrenamiento de voz con niños con
problemas de sordera. Ellos han desarrollado un Toolkit que incorpora
reconocimiento de voz y facilidades de producción, así como un
agente animado conversacional llamado Baldi. El agente es
representado por un rostro en tercera dimensión que produce un
lenguaje visual: movimiento de labios, lengua, ojos, cejas, durante la
producción del habla mediante el uso de un sintetizador de voz. El
niño puede jugar con la interfaz del lenguaje, cada lección presenta
diferentes preguntas y si da la respuesta correcta entonces puede
continuar.

Otro ejemplo es un software llamado Pronunciation Power (ver figura

1.2) el cual proporciona al usuario una serie de herramientas que le
permiten aprender la pronunciación del idioma Inglés. Crea una
gráfica de onda sonora de el sonido que se desea verificar, para esto,
el usuario debe grabar su voz y comparar la gráfica generada con la
gráfica de la "forma correcta" de pronunciación.

La desventaja de este método es que cuando hay un error en la

pronunciación este no es establecido explícitamente. Se requiere de
práctica, pues se debe ver la representación gráfica de la señal de voz
y la de "lo correcto" y determinar como y porque ocurrió el error. Esto
puede resultar relativamente fácil para una persona que tenga
experiencia, pero puede resultar tedioso. Además, no se sabe en base
a que criterio es elegida la representación gráfica como correcta. Una
pronunciación correcta puede variar mucho en su apariencia debido a
las diferencias naturales en el tracto vocal humano que puede hacer
que el usuario crea que algo esta mal.

Figura 1.2 Pronunciation Power(TM). Comparación de los sonidos mediante

la representación gráfica de la señal de voz.

Otro ejemplo interesante es de la compañía Language Connect, la cual

usa IBM Via Voice. El software, diseñado para la enseñanza de Inglés,
"oye" cada palabra, frase u oraciones complejas, entonces responde al
usuario y da un puntaje sobre la pronunciación realizada. Este
software, que utiliza reconocimiento de voz, es muy poderoso y tiene
muy buen nivel de reconocimiento. Sin embargo, el puntaje que recibe
el estudiante no es muy explícito, es decir, se sabe que existe un error
pero no se indica en qué o dónde, y entonces no se sabe hay que
corregir la pronunciación.

Otra compañía en el mercado es Syracuse Language Systems que en

conjunto con Dragon Systems ha desarrollado sistemas para el
aprendizaje de un segundo idioma como Inglés, Francés, Japonés,
Alemán, Hebreo, Italiano y Español. Entre el software enfocado a la
enseñanza del idioma español de esa compañía estan All-in-One,
Language Fun, Kids! Spanish, Let's Talk Spanish, Self-Study Spanish,
Smart Start Spanish, Success in Spanish y Spanish Your Way. Estos
sistemas, al igual el anterior sistema, tienen Reconocimiento de Voz
pero en cuanto a la verificación de pronunciación no se sabe en base a
que llevan a cabo la evaluación y el puntaje, así mismo no se sabe
cuales son los errores que se deben corregir en la pronunciación para
subir la puntuación obtenida. En la figura 1.3 se muestra el software
Let's Talk English (TM) que es un software para el aprendizaje del
idioma Inglés.

Figura 1.3 Let's Talk English.

Learn Spanish Fluently! Es otro sistema de aprendizaje del español

con Reconocimiento de Voz y simula la comunicación interactiva. Es
de la compañía Digital River.

Berlitz Think & Talk Spanish analizan el acento mediante

reconocimiento de voz. Se escucha la pronunciación nativa de varios
locutores en diferentes situaciones en las cuales se puede participar,
así también se hacen lecturas y se presentan videos. La compañía es
Berlitz y ha desarrollado sistemas de éste tipo para varios idiomas.

Figura 1.4 Software para enseñanza de español

A parte del software mencionado anteriormente existe una gran

variedad de herramientas, programas y juegos que intentan ayudar a
personas a aprender algún idioma. Dichas herramientas se adaptan a
las diferentes necesidades del usuario. Algunas de éstas se muestran
en figura 1.4.

Conclusiones

Hasta el momento hemos analizado los aspectos básicos de los

sistemas con reconocimiento de voz y los sistemas educativos. Se hizo
un análisis sobre algunos sistemas comerciales que existen para la
enseñanza de un segundo idioma. En el siguiente capítulo se describe
el problema a resolver y trabajos relacionados con este problema.

índice resumen introducción 1 2 3 4 5 6 A B C D referencias

Aguas García, N. 1999. Verificación de Pronunciación Basada en
Tecnología de Reconocimiento de Voz para un Ambiente de Aprendizaje.
Tesis Licenciatura. Ingeniería en Sistemas Computacionales.
Departamento de Ingeniería en Sistemas Computacionales, Escuela de
Ingeniería, Universidad de las Américas-Puebla. Diciembre.
Derechos Reservados © 1999, Universidad de las Américas-Puebla.